论文部分内容阅读
本文主要研究了舍入误差对若干参数模型的影响,所研究的模型包括秩集抽样(RSS)模型、多重秩集抽样(MRSS)模型和自回归(AR)模型。同时我们改进了每一个模型使之能够拟合带有舍入误差的样本数据,改进的模型分别称为舍入RSS(RRSS)模型、舍入MRSS(RMRSS)模型和累积舍入AR(ARAR)模型。
在RRSS模型中,我们首先比较了RRSS样本和舍入简单随机抽样(RSRS)样本的Fisher信息阵。结果表明,RRSS样本的信息阵减去相同样本量的RSRS样本的信息阵总是正定的。随后,我们提出了未知参数的极大似然估计(MLE)并建立了估计的强相合性和渐近正态性。模拟结果显示,基于RRSS样本的MLE总是比基于RSRS样本的NLE更有效。
在RMRSS模型中,我们首先讨论了计算参数MLE时遇到的两个主要困难。随后,针对这些困难我们提出了一个新的参数估计——工作似然估计(W-MLE),并建立了估计的强相合性和渐近正态性。模拟结果表明,基于RMRSS样本的W-MLE总是比基于RSRS样本的W-MLE更有效。
ARAR模型主要处理带有累积舍入误差的时间序列数据,它假定自回归过程中的当期观测变量依赖于前期观测变量的舍入值,此时的观测序列构成马尔科夫链。在该模型下,我们首先讨论了该序列的一些基本性质,包括平稳性、遍历性和混合性。接着,我们利用这些性质提出了参数的条件MLE并建立了估计的强相合性和渐近正态性。随后,通过模拟实验,我们比较了通常的AR模型、普通舍入AR(ORAR)模型和ARAR模型在处理累积舍入误差时的估计特征,结果表明AR模型和ORAR模型无法提供相合的参数估计。最后,我们使用这三个模型分别拟合了Ocean Wave数据集,结果表明不同模型下的参数估计有显著的差异。基于这些结论,我们建议在处理舍入数据时,模型的选择应遵循舍入误差的行为。